Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Ralha, Célia Ghedini | - |
Autor(es): dc.contributor | Marotta, Marcelo Antonio | - |
Autor(es): dc.creator | Almeida, Jonathan Mendes de | - |
Data de aceite: dc.date.accessioned | 2024-10-23T15:05:58Z | - |
Data de disponibilização: dc.date.available | 2024-10-23T15:05:58Z | - |
Data de envio: dc.date.issued | 2021-06-29 | - |
Data de envio: dc.date.issued | 2021-06-29 | - |
Data de envio: dc.date.issued | 2021-06-29 | - |
Data de envio: dc.date.issued | 2021-02-26 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/41306 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/874258 | - |
Descrição: dc.description | Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021. | - |
Descrição: dc.description | Fog Radio Access Networks (F-RANs) são o resultado da aplicação de paradigmas de fog/edge computing em cloud radio access networks, herdando componentes e aspectos de ambos. As técnicas de Inteligência Artificial (IA) podem ser aplicadas às F-RANs para obter maior eficiência energética, maior rendimento e/ou menor consumo de energia de processamento, e melhor tomada de decisão em diferentes situações. No entanto, para selecionar uma técnica apropriada de IA a ser aplicada, é necessário levar em consideração as diferentes granularidades de tempo nas quais a tomada de decisão ocorre em F-RANs. Na primeira parte deste trabalho são discutidos os benefícios e desafios da implementação de uma F-RAN orientado a IA, considerando três granularidades de tempo. Para cada granularidade, são destacadas as principais técnicas de aprendizado, como redes neurais profundas, aprendizado de reforço, aprendizado on-line e classificadores. Para permitir a integração entre soluções de IA, é proposta uma arquitetura multiagente para F-RANs. Além disso, é explorado um problema específico a partir da granularidade de horas. Nesse sentido, são investigadas oportunidades para as operadoras reduzirem seus gastos através da alocação ideal de virtual Base Band Units (vBBUs). A alocação ideal pode gerar oportunidades de receita adicionais, alugando recursos de processamento ocioso para Application Service Providers (ASPs). Em particular, o desafio de melhorar a alocação de vBBU em termos da atribuição ideal das cargas de trabalho entre Remote Radio Heads (RRHs) e Micro Data Centers (MDCs), considerando o trade-off entre a distância entre MDC e RRH e o consumo de poder de processamento. Assim, é proposto um modelo de otimização para decidir as atribuições entre MDCs e RRHs. A solução ideal é obtida por meio de Binary Integer Linear Programming. A solução é avaliada aplicando um conjunto de dados Call Detail Records reais, simulando diferentes regiões de Milão. A técnica de agrupamento k-means foi utilizada para identificar o comportamento do tráfego de Internet em diferentes regiões de Milão. Os resultados destacam oportunidades para as operadoras explorarem sua infraestrutura e aumentarem seus ganhos. | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). | - |
Descrição: dc.description | Fog Radio Access Networks (F-RANs) are the result of the application of fog paradigm to cloud radio access networks, inheriting components and aspects from both. Artificial Intelligence (AI) techniques can be applied to F-RANs to achieve enhanced energy efficiency, increased throughput, and/or decreased processing power consumption. Nonetheless, to select an appropriated AI technique to apply, it is necessary to take into account the different time granularities at which decision-making occurs in F-RANs. In the first part of this work, the benefits and challenges of implementing an AI-driven F-RAN considering three time granularities (hours, minutes/seconds, and milliseconds) are discussed. For each granularity, the key enabling AI techniques are highlighted, such as deep neural networks, reinforcement learning based algorithms, adaptive online learning, and classifiers. To enable integration between AI solutions from the same time granularity and from different granularities, a multi-agent architecture for F-RANs is proposed. Furthermore, a particular problem from the time granularity hours is explored. In this sense, opportunities for network operators to reduce their expenditures through optimal allocation of virtual Base Band Units (vBBUs) in F-RANs are investigated. The optimal allocation can generate additional revenue opportunities by leasing idle processing resources to Application Service Providers. In particular, the challenge of improving vBBUs allocation in terms of optimal assignment of the workloads of Remote Radio Heads (RRHs) to Micro Data Centers (MDCs) for cost minimisation is addressed, considering the trade-off between MDC and RRH distance and processing power consumption. Thus, an optimisation model to decide the assignments between MDCs to RRHs is proposed. The optimal solution is obtained through Binary Integer Linear Programming. The solution is evaluated by applying a real Call Detail Record data set, assessing different regions from Milan. K-means clustering was used to identify the Internet traffic behaviour of different regions in Milan. The results highlight opportunities for network operators to exploit their infrastructure usage and increase their gains. | - |
Descrição: dc.description | Instituto de Ciências Exatas (IE) | - |
Descrição: dc.description | Departamento de Ciência da Computação (IE CIC) | - |
Descrição: dc.description | Programa de Pós-Graduação em Informática | - |
Formato: dc.format | application/pdf | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | - |
Palavras-chave: dc.subject | Fog computacional | - |
Palavras-chave: dc.subject | Sistemas multiagentes | - |
Palavras-chave: dc.subject | Granularidade de tempo | - |
Palavras-chave: dc.subject | Fog Radio Access Networks (F-RANs) | - |
Título: dc.title | Characterizing and improving decision-making in Fog Radio Access Networks | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional – UNB |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: